Mark Newman 的认知框架 · 思想体系

第一条信念是：存储不是一个篮子，必须拆成 DRAM、NAND、HBM、HDD 四张表。深研的 checklist 明确要求 DRAM/NAND/HBM/HDD 分开建模，因为每一层的需求、供给、价格和库存都不同。HBM 绑定 AI 训练/推理的高带宽内存，且会挤占部分常规 DRAM 资源；服务器 DRAM 受 AI 服务器配置和普通服务器周期共同影响；NAND/企业 SSD 受数据保存、KV cache、设备端容量升级和企业存储预算影响；HDD/nearline 更接近云厂商的冷温数据、对象存储、备份和长期保留。把它们合成一句存储涨价，正是 Newman 框架要避免的粗糙错误。

第二条信念是：需求要翻译成 bit demand，而不是收入增长口号。存储公司的收入受价格和 bit 出货共同影响。价格上涨可能来自真实供需紧张，也可能来自渠道补库存；出货增长可能来自长期 AI 数据保留，也可能只是客户提前采购。2026-05-28 Fiscal.ai / Bernstein Strategic Decisions Conference 公开转录口径显示，Newman 主持 SanDisk 讨论时触及 capacity、long-term agreements、HBM、NAND density versus DRAM、device/edge AI implications。这里的重点不是 SanDisk 单一公司，而是他问的问题：长期协议是否锁住真实客户，产能弹性是否足以压平价格，本地设备和边缘 AI 是否把 NAND 需求从云端扩散到终端。

第三条信念是：供给侧物理约束比需求新闻更重要。fab 新建、设备到位、良率爬坡、制程转换、NAND 层数升级、HBM 封装和认证都需要时间，价格信号不能立刻变成供给。深研把这一点写成其模型骨架：看 fab 建设周期、WFE 订单、制程微缩边际放缓、HBM 与常规 DRAM 产能争夺、NAND 厂商资本纪律。这个信念解释了为什么他关注三星、SK 海力士、美光和 NAND 厂商的 capex 指引，而不是只跟踪 AI 新闻标题。

第四条信念是：寡头纪律是 bull case 的命门。内存行业经过整合，不是完全分散市场；龙头扩产与减产决定周期高度和长度。但这也是最容易出错的地方。2016-01-01 本地材料以 Seeking Alpha / New Memory Paradigm 历史复盘入口标注，公开讨论认为三星的供给行为显示大厂可以破坏 memory bull case。Newman 最该被学习的不是乐观，而是每次乐观都要问谁有能力杀死它。

第五条信念是：效率利空要拆基本面路径。2026-03-31 Sherwood News / TurboQuant 报道口径称，Newman 认为 TurboQuant 引发的存储股抛售过度，对 HDD demand 没影响、对 NAND demand 影响可忽略。这个判断不能机械复述为看多，而应理解为方法：模型量化或压缩可能影响 GPU HBM、系统 DRAM、NAND、HDD 的路径不同，不能用一个技术标题打穿整个存储链。

第一步：定义需求叙事是否足够大

Newman 的第一步不是看股票反应，而是问 AI 数据增长到底落在哪些存储层。具体做法是把训练、推理、模型权重、KV cache、企业数据保存、日志、生成式内容、对象存储、边缘设备容量逐项拆开，再标注对应介质：HBM、服务器 DRAM、NAND/企业 SSD、nearline HDD。深研强调 AI 不能停留在主题词，要落到训练/推理数据量、模型参数、近线存储、HBM 配置、企业数据保存、HDD/NAND 替代关系。这样做可以避免把 GPU 需求简单外推到所有存储资产。

第二步：把需求翻译成 bit 和价格

他会把需求拆成 bit 出货、ASP、合约价、现货价、库存周转和渠道补库。以 2026-04-01 Yahoo Finance / WDC TurboQuant 报道口径为例，Western Digital 在 TurboQuant 抛售后被重新讨论，WDC 同时有 HDD 与 NAND 暴露，因此不能简单贴存储股标签。Newman 式拆法是：nearline HDD exabyte 是否变化，NAND ASP 是否变化，数据中心客户订单是否取消，库存是否上升，长期协议是否动摇。若只是技术标题导致情绪下跌，基本面变量却未改变，才可能形成研究入口；若后续订单或价格证明恐慌有事实基础，初始判断必须修正。

第三步：检查供给响应速度

供给端要看 fab 周期、WFE 订单、设备交期、制程迁移、良率、HBM 对常规 DRAM 的挤占、NAND 层数升级和 HDD 高容量盘路线。2026-02-25 Investing.com / Bernstein Insights Seagate 公开转录口径中，Seagate 讨论 mass-capacity storage、technology roadmap 以及 balancing supply and demand dynamics。Newman 的框架会把这类会议放进 HDD 容量层：HAMR/Mozaic 量产、nearline capacity、云客户长单、价格/TB、毛利率和出货节奏，决定 STX/WDC 是传统周期反弹，还是 AI 数据保留的结构性容量层。

第四步：纳入行业集中度

内存行业不是零散小厂竞争，三星、SK 海力士、美光以及主要 NAND 厂商的 capex 与库存口径会直接影响价格行为。方法上要列出每个核心玩家：是否强调盈利优先，是否加速 WFE，是否为了份额牺牲价格，是否库存周转恶化。New Memory Paradigm 被三星扩产和需求变化击穿，就是这一步的历史警告。

第五步：写证伪清单

深研给出的证伪变量包括库存回升、合约价转弱、capex 加速、AI 资本开支放缓、云厂商采用低内存架构且总需求没有被 Jevons 效应抵消。Newman 的方法不是给方向，而是把每个强判断还原成仪表盘：DRAM/NAND 合约价、HBM 供给、nearline HDD 出货、企业 SSD 价格、三大内存厂 capex、hyperscaler capex、AI 服务器 BOM、模型压缩对真实采购的影响。

Newman 的能力圈集中在半导体存储与 AI 数据增长的交叉处。深研明确列出：DRAM、NAND、HBM、HDD、存储厂商盈利模型、AI 数据增长对存储需求的拉动、半导体硬件供应链。他尤其擅长把 AI 拆到内存层，而不是停在 GPU 层。换句话说，当市场讨论 NVIDIA、云厂 CapEx 或模型参数规模时，他会继续往下问：这些计算会制造多少数据，哪些数据需要短期高速访问，哪些需要长期保存，哪些进入企业 SSD，哪些沉到 nearline HDD，哪些由 HBM 和服务器 DRAM 承担。

能力圈内的典型问题

第一类是 HBM/DRAM：HBM3E/HBM4 客户认证是否顺利，HBM 是否挤占常规 DRAM，服务器 DRAM 合约价是否上行，三星、SK 海力士、美光的 capex 是否自律。第二类是 NAND/SSD：企业 SSD 订单、NAND 合约价、Kioxia/Flash Ventures 等产能、长期协议、设备侧 AI 容量升级。第三类是 HDD/nearline：nearline exabyte 出货、HAMR/Mozaic 或 UltraSMR 路线、hyperscaler 长单、对象存储、备份、归档、训练数据保留策略。2026-01-15 MarketWatch 公开报道口径把 SanDisk、Seagate、growing demand for data storage、nearline storage 和 memory/storage supercycle 放在同一框架中，这正是他的能力圈：把不同存储介质放进 AI 数据生命周期。

信息优势

他的优势不在比所有人更早看到新闻，而在把新闻放进存储周期模型。深研写到，卖方渠道带来的公司管理层交流、供应链调研、价格数据、机构客户反馈，以及长周期覆盖形成的历史比较能力，是他的主要信息优势。Bernstein/SocGen 体系内研报、CNBC/Bloomberg/Yahoo Finance 等媒体访谈、会议公开转录、TrendForce/DRAMeXchange 价格数据、公司财报与法说会，构成他的可观察信息面。

边界必须写清

第一，他不是宏观利率分析师，不能用他来判断整体市场估值。第二，他不是云计算架构工程师，对模型压缩、推理软件栈、数据中心系统架构的判断，需要 AI 系统专家交叉验证。第三，他不是持仓型基金经理，没有公开组合仓位、收益曲线、回撤纪律，因此不能用 13F 或跟单逻辑评价他。第四，中国存储厂、地缘政策、出口管制和本土产业链，需要单独补材料。第五，卖方表达有天然激励，容易把边际变化写成范式变化，读者必须对叙事强度做折扣。

Newman 的 alpha 不在于知道 AI 很重要，而在于他把 AI 产业链的瓶颈从 GPU 推到数据如何被记住、搬运、缓存和长期保存。市场共识往往把存储看成周期股：涨价时追，跌价时砍；他的变种认知是，如果 AI 数据增长让需求曲线持续抬高，而供给因物理约束和资本纪律无法快速响应，存储周期可能不再是传统 V 型，而是盈利平台被抬高的周期加结构混合体。这个判断不等于永远看多，它的价值在于提供一套压力测试。

第一类 alpha：从 GPU 热点转向数据生命周期

多数 AI 讨论停在加速器、算力集群和模型训练。Newman 会把数据生命周期拆出来：训练数据要读写，模型权重要保存，推理会产生 KV cache，企业会保留语音、视频、日志、向量库和合成数据，云厂商要用对象存储和 nearline HDD 承接低频但海量的数据。于是 Micron、SanDisk、Western Digital、Seagate、三星、SK 海力士进入同一个研究框架，却不是同一种暴露。MU 更接近 DRAM/HBM/NAND 观察点，SNDK 更纯 NAND/SSD，WDC 有 HDD/NAND 混合暴露，STX 更偏 HDD/nearline 容量层。

第二类 alpha：把效率利空拆成介质路径

2026-03-31 Sherwood News / TurboQuant 案例很能体现他的差异。报道口径称他认为 TurboQuant 驱动的 selloff 过度，对 HDD demand 没影响，对 NAND demand 影响 negligible。关键不是这次市场反应，而是分析结构：压缩 inactive cache 不等于减少长期数据保存；降低单位内存需求也可能被更多推理任务抵消；算法影响 GPU HBM、系统 DRAM、NAND、HDD 的路径不同。用 Jevons 式框架看，便宜的计算可能制造更多数据，而不是简单消灭存储需求。

第三类 alpha：敢把命门写出来

他最有价值的地方不是喊得激进，而是把 bull case 的破坏者列出来。三星扩产、SK 海力士和美光 capex、NAND 厂资本纪律、库存、合约价、WFE 订单、AI capex、云厂低内存架构，都是命门。2016-01-01 New Memory Paradigm 历史复盘口径显示，同一个框架死过一次又被重启，说明它应被当作可证伪模型，不是信仰。

第四类 alpha：用会议问题反推模型

2026-05-28 SanDisk 战略决策会议公开转录中，Newman 触及 capacity、long-term agreements、NAND density versus DRAM、device/edge AI。优秀之处不是公司回答本身，而是问题选择暴露了模型：需求强时先问产能是否放出来，价格强时先问长协是否锁住，边缘 AI 出现时先问本地容量升级是否真实。这些问题比一句结论更可复用。

Newman 的封神之战不能写成单一投资战绩，因为深研明确把他定义为研究分析师型 KOL，无公开持仓口径；代表作应理解为最准或最有影响的研究，而不是组合收益。按本地材料和深研，最适合写成三段战役：New Memory Paradigm 的提出与失败复盘、2026 年 AI 存储超级周期重定价、以及 2026 年 TurboQuant 效率恐慌中的基本面拆解。

第一战：2016-01-01 口径的 New Memory Paradigm 历史复盘

本地 marknewman_tweets 把 2016-01-01 标为 Seeking Alpha / New Memory Paradigm 历史复盘入口，核心口径是公开讨论 Newman 旧的 New Memory Paradigm 以及后来批评，因为三星供给行为显示大厂能破坏 memory bull case。结果并不是一句胜负，而是这个框架被三星扩产与需求变化击穿。深研也写得很直接：How Samsung Killed the New Memory Paradigm 这类标题说明，再强的行业结构论，也挡不住龙头厂商扩产抢份额。这一战表面是滑铁卢，实质是封神底座：他把失败变量公开暴露出来，使后来所有 AI 存储乐观判断都必须带上供给纪律压力测试。

第二战：2026-01-15 SanDisk / Seagate / 存储超级周期报道口径

marknewman_forward 记录 MarketWatch 2026-01-15 报道口径，称 Newman 归因于 unprecedented NAND shortage，并把 AI 模型演进与供需缺口纳入存储超级周期；同一材料还称 Seagate 与 growing demand for data storage、nearline storage 和 memory/storage supercycle 被放在同一框架。结果是市场不再只把 AI 基建理解为 GPU 和数据中心电力，也开始把 NAND、HDD、nearline、企业 SSD、长期数据保留纳入 AI 产业链研究。这个结果是认知层面的：他推动存储链从 AI 叙事的配角变成独立变量。

第三战：2026-03-31 至 2026-04-01 TurboQuant 恐慌拆解

2026-03-31 Sherwood News 报道口径称，Newman 认为 TurboQuant 引发的存储股抛售过度，并认为其对 HDD demand 没影响、对 NAND demand 影响可忽略。2026-04-01 Yahoo Finance / WDC TurboQuant 报道口径显示，Western Digital 在相关抛售后被 Bernstein 重新讨论，Seagate、SanDisk 也被纳入同业语境。结果不是推荐某个标的，而是一个可复用案例：技术论文或模型效率新闻出现时，先分层检查 HDD、NAND、DRAM、HBM 是否真的减少需求，再比较市场价格反应。

第四战：2026-05-28 SanDisk 会议问答

Fiscal.ai / Bernstein Strategic Decisions Conference 公开转录显示，Newman 主持 SanDisk 讨论并触及 capacity、long-term agreements、HBM、NAND density versus DRAM、device/edge AI。结果是把他的框架从二级市场报道推进到一手管理层问答：需求、长协、产能、介质密度、边缘 AI 同时被审问。这一战的意义在于证明他不是只讲宏大超级周期，而是在会议现场追问能否兑现。

合规结论：以上均为公开研究战例，不报目标价，不构成投资建议；日期按本地材料记录，原始付费研报全文未使用。

第一项风险是卖方高信念表达会放大周期高点信号。深研已经提醒，卖方话语为了形成差异化，常会把边际变化写成范式变化。Newman 的强项是把 AI 数据增长、供给约束和价格弹性写成有市场穿透力的研究语言；风险也在这里：投资者可能把情景上沿当作基准，把存储周期的阶段性紧张误读成永久结构改善。New Memory Paradigm 的历史失败就是最好的警告。

第二项风险是供给纪律不稳定。存储行业历史上多次因为扩产、库存和需求反转而快速下行。三星、SK 海力士、美光、Kioxia/Flash Ventures 等主要玩家只要有一方为了份额打破纪律，价格弹性和盈利情景都可能被压平。深研把这句话写得很重：对 Newman 的每个强判断，都必须问谁有能力破坏供给纪律。2016-01-01 New Memory Paradigm 复盘口径中，三星供给行为被当成破坏 memory bull case 的典型案例，这个风险在任何新周期里都不会消失。

第三项风险是AI 需求可能被重复计算。GPU capex、HBM、服务器 DRAM、NAND、HDD、数据中心电力、网络、服务器整机之间存在相互依赖，若把同一轮云厂投资在多个环节重复加总，就会夸大需求。Newman 的分层框架能降低这个风险，但使用者仍可能把每个环节都写成独立增量。正确做法是把 hyperscaler capex、AI 服务器 BOM、HBM 配置、企业 SSD、nearline HDD 和数据保留放在同一预算约束里看。

第四项风险是效率技术的真实影响需要外部验证。TurboQuant 案例中，Newman 倾向于认为 HDD 不受影响、NAND 影响可忽略；但如果未来模型压缩、量化、架构优化不只是减少缓存，而是减少模型权重、训练数据、推理中间态和长期数据留存，结论必须重估。深研也提示，他不是云计算架构工程师，对模型压缩、推理软件栈、数据中心系统架构的判断需要技术专家交叉验证。

第五项风险是公开观点多为二次传播。Bernstein 原始研报和机构客户交流可能包含完整假设、敏感性和风险条款，而媒体报道只保留标题、结论或片段。深研的参考来源包括 CNBC、Bloomberg、Yahoo Finance、Seeking Alpha 等公开摘要，并明确需补 Bernstein 原始研报全文与历史评级变动台账。因此本站使用 Newman 时，必须标注公开报道口径、会议转录口径或深研口径，不能把二手转述包装成逐字原文。

第六项风险是能力圈外推。他适合分析存储周期，不适合独立判断宏观利率、大盘估值、中国存储政策、出口管制和具体 AI 软件架构。若要讨论本土存储厂、地缘政策或先进制程限制，需要另补产业链资料。

1. 把主题叙事翻译成产业变量

普通用户最该学的第一件事，是不要写 AI 利好存储，而要写 AI 分别增加哪些 bit demand。训练、推理、模型权重、KV cache、企业数据湖、日志、视频、语音、对象存储、备份、归档、边缘设备容量，每一项都要对应 HBM、DRAM、NAND 或 HDD。然后再问价格、库存、capex 和供给周期。这个动作可以直接做成表格：需求来源、介质、验证指标、反证信号。来源对应深研第 4、6、13、18 节。

2. 周期行业先看谁能破坏供给纪律

第二件可复用的是供给纪律压力测试。Newman 的历史教训是 New Memory Paradigm 被三星扩产与需求变化击穿，所以每次看到存储上行，都要列出破坏者：三星、SK 海力士、美光、NAND 厂商、WFE 订单、fab 建设、库存、合约价和 bit growth。可执行模板是：若三大厂口径一致强调盈利优先、库存下降、合约价上涨，框架加分；若任一核心厂商为份额加速 capex，或库存转高、合约价掉头，框架降权。这样学到的是周期纪律，不是跟随某个观点。

3. 遇到效率利空先分层，不要一票否决

第三件可复用的是 TurboQuant 式事件处理。2026-03-31 Sherwood News 报道口径中，Newman 没有直接接受市场恐慌，而是拆算法影响：HDD demand 是否受影响，NAND 是否只是 negligible，DRAM/HBM 是否另有路径，单位内存下降是否会被推理量上升抵消。普通研究者可以用五问法：技术降低哪一层单位需求？总使用量会不会增加？数据保存是否减少？客户采购是否取消？价格和库存是否验证？只有这些问题有事实答案，才能判断技术利空是否真的改变周期。

4. 用管理层问答反推模型，而不是只读结论

第四件可复用的是读会议问题。2026-05-28 SanDisk 的 Bernstein Strategic Decisions Conference 公开转录口径显示，Newman 主持讨论时追问 capacity、long-term agreements、HBM、NAND density versus DRAM、device/edge AI implications。学习点不是记住某家公司，而是看问题顺序：先问产能，再问长协，再问介质差异，再问新需求来源。以后读任何财报会或会议转录，都可以按这个结构做笔记：需求是否真实、价格是否锁定、产能是否释放、不同产品是否混淆、边缘变量是否会改变总量。

落地到本站产品，可以做一张 Newman 仪表盘：DRAM/NAND 合约价与现货价、HBM 客户认证和产能挤占、nearline HDD 出货、企业 SSD 订单、三大厂 capex、库存周转、hyperscaler capex、AI 服务器配置、模型压缩对实际采购的影响。每条公开发声只抽取五项：需求判断、介质层级、供给约束、证伪条件、来源口径。这样既保留他的研究价值，又遵守合规边界：不荐股，不报目标价，不把公开报道转成投资指令。